如何使用漂亮的汤在两个不同的标签之间获得价值？

Question

我需要在下面的代码 sn-p 中提取结束标记和
标记之间存在的数据：

<td><b>First Type :</b>W<br><b>Second Type :</b>65<br><b>Third Type :</b>3</td>

我需要的是：W, 65, 3

但问题是这些值也可以是空的，比如-

<td><b>First Type :</b><br><b>Second Type :</b><br><b>Third Type :</b></td>

如果存在这些值，我想获取这些值，否则为空字符串

我尝试使用 nextSibling 和 find_next('br') 但它返回了

 <br><b>Second Type :</b><br><b>Third Type :</b></br></br>

和

<br><b>Third Type :</b></br>

如果标签之间不存在值（W、65、3）

</b> and <br> 

我需要的是，如果这些标签之间没有任何内容，它应该返回一个空字符串。

Answer 1

我会使用 <b> 标签 by </b> 标签策略，查看他们的 next_sibling 包含什么类型的信息。

我会检查他们的next_sibling.string 是否不是None，并相应地附加列表:)

>>> html = """<td><b>First Type :</b><br><b>Second Type :</b>65<br><b>Third Type :</b>3</td>"""

>>> soup = BeautifulSoup(html, "html.parser")
>>> b = soup.find_all("b")
>>> data = []
>>> for tag in b:
        if tag.next_sibling.string == None:
            data.append(" ")
        else:
            data.append(tag.next_sibling.string)
>>> data 
[' ', u'65', u'3'] # Having removed the first string

希望这会有所帮助！

Answer 2

我会搜索td 对象，然后使用regex 模式过滤您需要的数据，而不是在find_all 方法中使用re.compile。

像这样：

import re
from bs4 import BeautifulSoup

example = """<td><b>First Type :</b>W<br><b>Second Type :</b>65<br><b>Third 
Type :</b>3</td>
<td><b>First Type :</b><br><b>Second Type :</b>69<br><b>Third Type :</b>6</td>"""

soup = BeautifulSoup(example, "html.parser")

for o in soup.find_all('td'):
    match = re.findall(r'</b>\s*(.*?)\s*(<br|</br)', str(o))
    print ("%s,%s,%s" % (match[0][0],match[1][0],match[2][0]))

此模式查找</b> 标记和<br> 或</br> 标记之间的所有文本。 </br> 标签是在将汤对象转换为字符串时添加的。

这个例子输出：

W,65,3

,69,6

只是一个例子，如果其中一个正则表达式匹配为空，您可以更改为返回一个空字符串。

Answer 3

In [5]: [child for child in soup.td.children if isinstance(child, str)]
Out[5]: ['W', '65', '3']

这些文本和标签是 td 的孩子，您可以使用 contents(list) 或 children(generator) 访问它们

In [4]: soup.td.contents
Out[4]: 
[<b>First Type :</b>,
 'W',
 <br/>,
 <b>Second Type :</b>,
 '65',
 <br/>,
 <b>Third Type :</b>,
 '3']

那么你可以通过测试是否是str的实例来获取文本

Answer 4

我认为这可行：

from bs4 import BeautifulSoup
html = '''<td><b>First Type :</b>W<br><b>Second Type :</b>65<br><b>Third Type :</b>3</td>'''
soup = BeautifulSoup(html, 'lxml')
td = soup.find('td')
string = str(td)
list_tags = string.split('</b>')
list_needed = []
for i in range(1, len(list_tags)):
    if list_tags[i][0] == '<':
        list_needed.append('')
    else:
        list_needed.append(list_tags[i][0])
print(list_needed)
#['W', '65', '3']

因为你想要的值总是在标签的末尾，这样很容易捕捉到它们，不需要重新。